4. 离散化建模方法

在变流器模型预测控制中，控制器并不是连续地“实时”求解微分方程，而是在固定采样周期 Ts 上，根据当前时刻的采样值预测下一时刻的状态，再选择最优开关矢量。因此，连续状态空间模型必须转换为离散时间模型。离散化方法的选择，直接影响预测精度、数值稳定性以及控制器在每个采样周期内的计算量。

一、连续模型与离散化基本关系

以三相变流器的 dq 轴电流状态空间模型为例，连续形式通常写为：

L di_d/dt = -R i_d + ωL i_q + u_d - e_d
L di_q/dt = -R i_q - ωL i_d + u_q - e_q

整理成标准状态空间形式：

dx/dt = A x + B u + D d
x = [i_d, i_q]^T
u = [u_d, u_q]^T
d = [e_d, e_q]^T

其中 A 包含电阻压降与交叉耦合项，B 为输入矩阵，D 为扰动矩阵。离散化的任务，就是求出 Ad、Bd、Dd，使 x[k+1] = Ad x[k] + Bd u[k] + Dd d[k] 能准确描述第 k 个采样点到第 k+1 个采样点之间的状态转移。

二、三种典型离散化方法

1. 前向欧拉法

前向欧拉法用当前时刻的导数近似状态变化率：

x[k+1] ≈ x[k] + Ts (A x[k] + B u[k])
Ad = I + Ts A
Bd = Ts B

优点是形式简单、计算量小，适合快速原型验证。缺点是稳定性受 Ts 限制较大，当 Ts 较大或系统极点靠近虚轴时，离散模型可能发散。对于变流器电流环，若采样频率不够高，前向欧拉容易引入相位误差和数值振荡。

2. 后向欧拉法

后向欧拉法用下一时刻的导数近似：

x[k+1] ≈ x[k] + Ts (A x[k+1] + B u[k+1])
Ad = (I - Ts A)^(-1)
Bd = (I - Ts A)^(-1) Ts B

后向欧拉具有更好的数值稳定性，对刚性系统更友好，但需要矩阵求逆，且对输入量的时序处理要求更严格。在数字控制中，若 u[k+1] 不能提前获得，通常需要改用 u[k] 近似，这会带来一定误差。

3. 精确离散化

精确离散化基于矩阵指数，假设采样周期内输入保持零阶保持：

Ad = exp(A Ts)
Bd = ∫(0→Ts) exp(A τ) B dτ
   = A^(-1) (Ad - I) B   （A 可逆时）

精确离散化在理论上最接近连续系统，尤其适合 Ts 与系统时间常数可比拟的场景。其代价是计算量较大，通常需要矩阵指数或级数展开。工程中常采用 expm 函数或泰勒级数近似实现。

三、变流器离散化实现流程

在工程实现中，离散化不是孤立步骤，而是与参数辨识、采样同步、延时补偿共同构成预测控制的基础链路。典型流程如下：

1. 建立变流器连续状态空间模型，确定 A、B、D 矩阵。
2. 根据开关频率与控制带宽选择采样周期 Ts，通常取 Ts = 1/fsw 或更小。
3. 选择离散化方法：快速验证可用前向欧拉；对稳定性要求高时用后向欧拉；对精度要求高时用精确离散化。
4. 计算 Ad、Bd、Dd，并写入控制器代码或查找表。
5. 在实时中断中执行预测、滚动优化和开关矢量选择。

四、案例：三相并网变流器电流环离散化

设某三相并网变流器参数为：L = 2 mH，R = 0.1 Ω，采样周期 Ts = 50 μs，电网角频率 ω = 314 rad/s。连续模型矩阵可写为：

A = [[-R/L,  ω],
     [ -ω, -R/L]]
B = [[1/L, 0],
     [0, 1/L]]

代入数值后，分别采用三种方法计算 Ad：

若采用精确离散化，可在离线阶段用矩阵指数函数计算 Ad 和 Bd，再以常量数组形式写入 DSP 或 FPGA。这样既保证了模型精度，又避免了在线矩阵运算带来的实时性压力。

五、常见误区与复盘

• 误区一：离散化方法可以随意替换。 不同方法得到的 Ad、Bd 不同，会直接改变预测轨迹和开关选择结果，必须与控制器参数整定配套。
• 误区二：忽略采样延时。 实际系统中，采样、计算和 PWM 更新存在一拍或多拍延时，离散模型应加入延时补偿，否则预测会超前于实际。
• 误区三：只关注 Ad 而忽略 Bd。 输入矩阵的离散化误差同样会影响电压矢量作用效果，尤其在低采样频率下更明显。
• 误区四：在线计算矩阵指数。 精确离散化通常应离线完成，在线只做查表或简单乘法，避免占用过多中断时间。

综上，前向欧拉、后向欧拉和精确离散化各有适用边界。工程中应根据采样周期、系统时间常数、计算资源和精度要求综合选择，并在离线阶段完成矩阵计算与验证，最终将离散模型无缝嵌入变流器预测控制器的实时执行链路中。